مروری بر پیش‌بینی و شناسایی هوشمند عیوب جوش با استفاده از یادگیری عمیق: گذر از بازرسی سنتی به سیستم‌های خودکار مبتنی بر داده

هوش مصنوعی، به‌ویژه یادگیری عمیق، در حال دگرگونی حوزه‌های جوشکاری و آزمون‌های غیرمخرب است. این مرور نظام‌مند با تحلیل 85 مقاله شاخص (2024–2018)، کاربردهای هوش مصنوعی در بهینه‌سازی و بازرسی جوش را بررسی می‌کند. یافته‌ها نشان می‌دهد شبکه‌های عصبی کانولوشنی (cnn) با دقتی بیش از 97٪ قادر به شناسایی عیوبی مانند ترک و حفره از تصاویر رادیوگرافی هستند و از نظر سرعت به‌طور چشمگیری از روش‌های دستی پیشی می‌گیرند. در بازرسی مبتنی بر سیگنال (اولتراسونیک، جریان گردابی)، شبکه‌های حافظه بلندمدت‌کوتاه (lstm) دقت تشخیص عیوب زیرسطحی را تا 95٪ افزایش می‌دهند. در بهینه‌سازی فرآیند، مدل‌های ترکیبی شبکه عصبی مصنوعی (ann) و یادگیری تقویتی، با پیش‌بینی پارامترها و کنترل بلادرنگ، عیوب جوش را تا 35٪ کاهش و مصرف انرژی را تا 20٪ کم می‌کنند. یکپارچه‌سازی هوش مصنوعی، نظارت خودکار و بلادرنگ بر کیفیت را ممکن ساخته، خطای انسانی را به حداقل رسانده و قابلیت نگهداری پیش‌بینانه را فراهم می‌کند. با این حال، چالش‌های مهمی از جمله نیاز به داده‌های برچسب‌دار انبوه، ماهیت «جعبه سیاه» مدل‌های پیچیده (کاهش تفسیرپذیری) و هزینه بالای ادغام با سیستم‌های صنعتی موجود، پابرجاست. پژوهش‌های آتی باید بر یادگیری با داده کم، مدل‌های سبک‌وزن برای پردازش لبه و ایجاد پایگاه‌های داده استاندارد مشترک متمرکز شوند. در نهایت، تلفیق هوش مصنوعی با دوقلوهای دیجیتال و رباتیک، راه را برای تحقق سیستم‌های جوش کاملاً خودکار و هوشمند در چارچوب انقلاب صنعتی چهارم هموار می‌کند.